基于LLM的教学代理在ICU模拟培训师培训中的应用：一项准实验研究

《Nurse Leader》：LLM-based pedagogical agent for ICU simulation instructor training: A quasi-experimental study

本研究旨在探讨在ICU模拟教学培训中引入基于LLM的教学代理的可行性和效果。通过准实验设计，比较实验组（使用LLM代理）与对照组（传统混合式学习）在模拟设计质量、在线学习自我效能和满意度方面的差异。结果显示，实验组在模拟设计量表的多项维度得分显著更高，但系统可用性无差异，满意度呈现天花板效应。研究提出未来需多中心、大样本随机对照试验进一步验证。

　　### 引言

在现代医疗体系中，重症监护病房（ICU）作为治疗危重患者的重要部门，其护理工作具有高度的复杂性、快速变化性和技术性。护理人员在ICU中的角色不仅是提供直接的临床护理，还涉及对患者病情的实时评估、紧急情况的处理以及对护理教学的组织与指导。随着医疗技术的不断发展和患者需求的日益复杂，ICU护理人员不仅需要具备扎实的专业知识，还必须能够灵活应对不断变化的临床环境。这种挑战促使护理教育向更加高效、灵活和个性化的方向发展，而模拟教学作为提升临床决策能力和应急处理技能的重要手段，逐渐成为ICU护理教育的核心方法之一。

然而，传统的模拟教学模式在实际应用中面临诸多挑战。例如，模拟教学场景的设计通常需要多学科专家团队的协作，耗时且成本高昂，且更新速度缓慢，难以跟上临床实践的最新进展。此外，教学反馈环节需要大量的人力资源投入，使得模拟教学的效率受到限制。同时，高保真模拟设备和标准化患者（SP）的稀缺性也给大规模培训带来了组织上的困难。这些问题不仅影响了模拟教学的效果，也制约了ICU护理教育的质量和效率。

近年来，人工智能（AI）技术的迅速发展为护理教育带来了新的可能性。特别是大型语言模型（LLMs）的应用，使得AI在医疗领域的潜力得到了广泛认可。LLMs不仅具备强大的自然语言处理能力，还能够进行推理、规划、长期记忆、自主学习和任务执行等。这些能力为模拟教学提供了新的支持方式，使得教学内容的生成、个性化学习路径的制定以及即时反馈的提供更加高效和灵活。基于LLMs的教学代理（pedagogical agents）可以与护理人员共同完成教学任务，实现人机协作，从而提升教学效果和学习体验。

尽管已有研究探讨了AI在一般教育或虚拟患者教学中的应用，但针对ICU模拟教学培训的实证研究仍较为有限。因此，本研究旨在探索将基于LLMs的教学代理整合到ICU模拟教学培训中的可行性及其对学习者的影响，为未来更大规模的研究提供初步依据，并为临床护理教育实践提供参考。

### 方法

本研究采用了一种探索性的准实验设计，依据TREND指南进行。研究对象为2025年2月在浙江大学医学院附属邵逸夫医院的两个ICU中参与模拟教学培训的护士，共40人。参与者通过便利抽样方式招募，并随机分配至实验组和对照组，每组各20人。实验组使用基于LLMs的教学代理进行模拟教学培训，而对照组则采用传统的混合学习模式，不使用AI辅助。

研究团队根据参与者的专业背景、教育水平和工作经验组建了一个由10名成员组成的模拟教学与研究小组。其中包括1名主任护师、2名副主任护师、6名资深护士、1名护理研究生和1名主要研究者。小组成员负责研究设计、教学实施、数据收集与分析等工作。

为了构建模拟教学的知识库，研究团队进行了广泛的文献检索，涵盖了中文和英文数据库，如CNKI、Wanfang、PubMed和Web of Science。知识库包括护理模拟教学的相关文献、教学材料、案例库以及AI在护理模拟教学中的应用内容。此外，研究团队还收集了高质量的在线资源，如视频学习网站的内容和医院内部的模拟教学案例。知识库的更新机制由一名团队成员负责，每三个月检索最新文献和资源，并将其上传至知识库中。

在教学实施方面，实验组通过一个独立的链接访问基于LLMs的教学代理，可以使用手机或网络浏览器进行学习。学习内容包括模拟教学、案例设计、目标设定、教学评估、个性化学习、虚拟患者创建和人机互动等。学习过程分为三个层次，参与者需要按照步骤进行学习，每天学习时间至少30分钟，整个学习周期为两个月。研究团队通过学习记录和微信群的定期提醒来评估参与者的依从性。

对照组则接受传统的混合学习模式，包括在线理论学习和线下研讨会。教学材料被组织成学习包，并通过医院自建的在线教学平台上传。每两周进行一次线下讨论和问答，以确保参与者能够掌握必要的知识。同样，学习周期为两个月，最终所有参与者都完成了学习计划。

为了评估教学效果，研究团队采用了多种测量工具，包括中文版的Jeffries模拟教学设计量表（SDS）、系统可用性量表（SUS）、成人在线学习自我效能量表以及教学满意度问卷。这些工具用于衡量学习者的教学设计质量、系统可用性、学习自我效能感以及对培训的整体满意度。

### 结果

研究结果显示，实验组在多个方面表现优于对照组。首先，在SDS量表中，实验组在案例真实性、情景复杂性、反馈机制、互动性和教学目标等方面得分均显著高于对照组（P < 0.05），其中案例真实性和情景复杂性的效应量达到中等至较大的水平，而反馈机制和互动性也表现出较大的效应量。此外，实验组在在线学习自我效能感中的“学习能力”和“学习技术”两个维度得分显著高于对照组，而“学习意愿”维度则没有显著差异。

在系统可用性方面，实验组和对照组的SUS总分没有显著差异（P > 0.05），表明基于LLMs的教学代理在系统可用性上并未表现出明显优势。然而，两组的满意度评分均较高，但呈现出明显的天花板效应，即大部分学习者给予了非常高的评分，这可能受到测量偏差的影响，而非真实满意度的体现。

进一步的分析显示，学习者的依从性较高，所有参与者均完成了学习计划。然而，由于研究设计和测量的局限性，统计结果需谨慎解读，研究的贡献更多是探索性和假设生成性的。

### 讨论

本研究的结果表明，基于LLMs的教学代理在ICU模拟教学培训中具有一定的可行性，并能够提升学习者对模拟教学设计质量的感知和在线学习自我效能感。然而，这些结果更多是基于学习者的主观体验，而非客观的教育成果。因此，未来的研究需要进一步探索AI代理在教学中的实际效果，并结合客观的评估指标，如专家评价或绩效指标，以更全面地了解教学干预的影响。

此外，研究中提到的天花板效应和满意度评分的高值可能受到测量偏差的影响。这提示我们，未来的研究需要更精细的问卷设计或采用访谈方法，以更深入地了解学习者对培训的真实感受和满意度来源。同时，研究还指出，尽管AI代理在模拟教学中表现出一定的优势，但其使用可能会引入新颖性效应或灵活性偏差，使得难以准确区分AI代理的独立贡献和传统教学方法的效果。

研究团队在教学实施过程中也面临一些挑战。例如，由于学习者之间的干预暴露程度可能存在差异，这可能影响研究结果的准确性。因此，未来的研究应采用更严格的控制条件，如标准化的学习暴露（如在线/线下时间、互动次数和持续时间等），并报告依从性和污染情况。

在AI教学代理的应用方面，研究团队强调了其在个性化学习和即时反馈方面的潜力。AI代理能够根据学习者的需求和知识水平动态生成教学案例，从而提升学习者的临床决策能力和应急处理能力。然而，过度依赖AI代理可能削弱学习者的自主学习能力，尤其是在缺乏真实临床情境的情况下。因此，护理教育者在引入AI技术的同时，也应加强相关培训，以确保学习者能够有效利用AI代理进行学习。

此外，研究还指出，AI代理的可用性并未显示出明显优势，这提示未来的研究需要进一步优化AI系统的界面和交互体验，以提高其在不同教学场景中的适用性和接受度。通过定性研究探索护理人员在使用AI代理过程中的体验和需求，有助于进一步优化AI教学代理的设计，提升其在实际教学中的效果。

### 模拟教学的启示

在资源有限且更新缓慢的模拟教学环境中，基于LLMs的教学代理提供了一种可扩展的人机协作模式。它能够快速生成教学场景，支持结构化的教学目标和提示，以及提供即时反馈和个性化学习路径。然而，由于两组的学习暴露程度可能存在差异，AI代理目前更适合作为辅助工具，而非替代传统教学方法。因此，研究建议在关键教学阶段进行模块化整合，并利用学习日志和过程数据持续优化教学设计。

### 局限性与未来研究方向

本研究存在一些局限性，包括样本量较小、研究仅在单一中心进行以及未能充分控制学习暴露程度。这些因素可能影响研究结果的普遍性和可靠性。因此，未来的研究应采用多中心、样本量充足、随机对照试验设计，以提高研究的科学性和可推广性。

此外，研究建议未来的研究应加强学习暴露和教学真实性的监控，通过标准化的学习指标来确保两组之间的公平性。同时，应结合客观的教育成果指标，如专家评估和绩效数据，以更全面地评估教学干预的效果。

在分析方法上，研究建议采用前瞻性注册和预设的主要/次要结果及分析计划，以提高研究的透明度和可重复性。对于天花板效应和非正态分布的数据，除了使用Wilcoxon检验外，还应报告效应量和置信区间，强调实际意义而非仅依赖P值。

### 结论

本研究初步表明，将基于LLMs的教学代理整合到ICU模拟教学培训中是可行的，并与更高的学习者感知的模拟教学设计质量和在线学习自我效能感相关。然而，AI代理在系统可用性方面并未表现出显著优势，且满意度评分呈现出天花板效应，这提示我们需谨慎解读研究结果。未来的研究应采用更加严谨的设计，如多中心、样本量充足、随机对照试验，并采用主动对照组、平衡学习暴露和结合长期随访的客观结果，以确认AI代理的实际效果和教育价值。